Clase 1 Diseño Estadistico Curso Actualizacion 2014-Tesis

UNIVERSIDAD NACIONAL DEL CENTRO
DEL PERÚ
FACULTAD DE CIENCIAS APLICADAS
ESTADÍSTICA Aplicada a la
Investigación
Autora:
MSc. SHALIN CARHUALLANQUI

AVILA
OCTUBRE-2016
Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila
DISEÑOS EXPERIMENTALES
PRINCIPIOS DEL DISEÑO EXPERIMENTAL
1. INTRODUCCIÓN
Este capítulo es una introducción al planeamiento y conducción de experimentos en relación con los objetivos, el
análisis y la eficiencia. Si aceptamos la premisa que el conocimiento nuevo se obtiene muy frecuentemente a
través del análisis e interpretación cuidadosa de los datos, entonces es muy importante que se deba dedicar
tiempo y esfuerzo considerables al planeamiento y recolección de los mismos con el objeto de obtener la
máxima información con el menor costo de recursos.
2. EXPERIMENTO
Es una búsqueda planeada para obtener nuevos conocimientos o para confirmar o no resultados de
experimentos previos, con lo que tal indagación ayuda a la toma de decisiones. Se dispone cada experimento
para proporcionar respuestas a una o más preguntas. Con esto en mente, los investigadores deciden que
comparaciones de tratamientos proporcionarán información relevante. Entonces realizan un experimento para
medir o probar hipótesis que tiene que ver con diferencias entre tratamientos en condiciones
comparables. Toman mediciones y observaciones sobre el material experimental. A partir de la información
obtenida en un experimento que se ha completado con éxito, responden a las preguntas planteadas al comienzo.
Tales experimentos se clasifican en tres categorías: preliminar, crítico y demostrativo.
2.1 EXPERIMENTO PRELIMINAR

El investigador prueba un número grande de tratamientos con el objeto de obtener indicios para futuros
trabajos.
2.2 EXPERIMENTO CRITICO

El investigador compara las respuestas a diferentes tratamientos usando un número suficiente de observaciones
de las respuestas para obtener seguridad razonable para detectar diferencias significativas.
2.3 EXPERIMENTO DEMOSTRATIVO

Se llevan a cabo cuando los trabajos de extensión comparan uno o más tratamientos nuevos con un patrón.
3. UNIDAD EXPERIMENTAL Y TRATAMIENTO

Una unidad experimental, o parcela experimental, es la unidad de material a la cual se aplica un tratamiento; el
tratamiento es el procedimiento cuyo efecto se mide y se compara con otros tratamientos.
La unidad experimental puede ser un árbol, una parcela o un animal; el tratamiento puede ser un
programa de aspersión foliar de insecticida, una fórmula de fertilización o una ración alimenticia. Cuando
se mide el efecto de un tratamiento, se mide en una unidad de muestreo, que es una fracción de la unidad
experimental.
4. ERROR EXPERIMENTAL
Es una medida de la variación existente entre observaciones sobre medidas experimentales tratadas en forma
similar.
La variación proviene de dos fuentes principales, primero, existe la variabilidad inherente al material
experimental al cual se aplican los tratamientos. Segundo, existe una variación resultante de cualquier falta
de uniformidad en la realización física del experimento.
Es importante hacer todo el esfuerzo posible para reducir el error experimental; para ello debe atenderse a las
dos principales fuentes de error experimental:
a) Manejar el material experimental de tal manera que se logre reducir los efectos debidos a la variabilidad
inherente.
b) Refinar la técnica experimental.
CONTROL DEL ERROR

El control del error puede lograrse mediante:
- El diseño experimental adecuado.
- El uso de observaciones concomitantes.
- La elección del tamaño y la forma de las unidades experimentales.
EL DISEÑO EXPERIMENTAL
El control del error experimental consiste en el diseño de un experimento de tal manera que parte de la
variación natural entre el conjunto de unidades experimentales se trate materialmente de modo que no contribuya
en nada a las diferencias entre medias de tratamientos. Cuando se agrupan las unidades experimentales en

bloques completos, esto es, cada bloque contiene todos los tratamientos, de modo que la variación entre
unidades dentro de un bloque sea menor que la variación entre unidades en bloques diferentes, la precisión del
experimento aumenta como resultado del control del error.
El uso de observaciones concomitantes

En muchos experimentos, se puede aumentar la precisión mediante el uso de observaciones complementarias y
una técnica aritmética llamada análisis de covariancia. Se usa este análisis cuando la variación entre unidades
experimentales se debe, en parte, a variación en alguna otra u otras características medibles y no
suficientemente controlables para que sean útiles al asignar unidades experimentales a bloques completos o
incompletos con base en resultados semejantes.
Tamaño y forma de las unidades experimentales

Como regla general, las unidades experimentales grandes presentan menos variación que las pequeñas.
Sin embargo, un aumento en el tamaño de la unidad experimental trae a menudo como consecuencia una
reducción en el número de repeticiones que puede tenerse debido a lo limitado del material experimental de que
se dispone.
5. REPETICIONES
Cuando un tratamiento aparece más de una vez en un experimento se dice que está repetido. Se hace
repeticiones para:
a. Permitir una estimación del error experimental.
b. Mejorar la precisión de un experimento mediante la reducción de la desviación estándar de una media de
tratamiento.
c. Aumentar el alcance de la inferencia del experimento a través de la selección y del uso apropiado de unidades
experimentales más variables.
d. Ejercer control sobre la varianza del error.
6. ALEATORIZACIÓN
La función de la aleatorización consiste en asegurarse que obtengamos un estimativo válido o insesgado del error
experimental, de las medias de tratamientos y de las diferencias entre las mismas. La aleatorización
generalmente supone el empleo de un dispositivo de azar, tal como el lanzamiento de una moneda o el uso de
tablas de números aleatorios. Aleatoriedad y azar no son equivalentes. Para evitar el sesgo de las comparaciones
entre medias de tratamientos, es necesario disponer de alguna manera de asegurar que un tratamiento particular
no resulte favorecido en forma consistente en repeticiones sucesivas por alguna fuente externa de variación
conocida o desconocida. O sea que cada tratamiento debe tener igual oportunidad de ser asignado a una unidad
experimental, sea favorable o desfavorable. La aleatoriedad ofrece el procedimiento de igual oportunidad.
7. VARIABLE RESPUESTA
Es el resultado obtenido de una unidad experimental, de un atributo particular. Corrientemente su expresión
es numérica. La respuesta puede ser el rendimiento de un cultivo, la altura de una planta, la eficiencia de una
máquina, la resistencia de un material, etc. Usualmente se mide varias respuestas en el mismo ensayo.
8. PARÁMETRO
Es un valor fijo relacionado a una población, que generalmente desconocemos, utilizando como representantes
de ellos a sus estimaciones.
9. COEFICIENTE DE VARIACIÓN
El Coeficiente de Variación (CV) es una medida de dispersión, utilizado para medir el grado de homogeneidad
relativa de un grupo de datos, frente a otros que presentan diferentes unidades o escalas de medida. El CV se
expresa porcentualmente y se obtiene dividiendo la desviación estándar de los datos por la media de los mismos.
MINITAB
INTRODUCCION
El Minitab usará funciones, creará gráficas y generará
estadísticas. La mayoría de los análisis estadísticos requiere una serie de pasos, con frecuencia orientados por
un conocimiento previo o por el área en cuestión que se investiga.
INICIO DE MINITAB
Antes de comenzar su análisis, inicie Minitab y examine el diseño de las ventanas.
En la barra de tareas de Windows, elija Inicio ➤ Programas ➤ Minitab
Solutions ➤ Software estadístico Minitab 16 Español.

Minitab se abre con dos ventanas principales visibles:
■ La ventana Sesión muestra los resultados de su análisis en formato de texto. Además, en esta ventana
puede ingresar comandos en lugar de usar los menús de Minitab.
■ La ventana Datos actual contiene una hoja de trabajo abierta, que es similar en aspecto a una hoja de cálculo.
Puede abrir varias hojas de trabajo, cada una en
una ventana Datos actual distinta.

APERTURA DE UNA HOJA DE TRABAJO
Puede abrir una nueva hoja de trabajo vacía en cualquier momento. También puede abrir uno o más archivos con
datos. Cuando abre un archivo, usted copia su contenido en el proyecto Minitab actual. Los cambios que efectúa
en la hoja de trabajo mientras se encuentra en el proyecto no afectan el archivo original. Los datos de los tres
centros de envío se guardan en la hoja de trabajo
DATOSENVÍO.MTW.
1. Elija Archivo ➤ Abrir hoja de trabajo.

2. Haga clic en Buscar en carpeta Datos de muestra de Minitab, cerca de la parte inferior del cuadro diálogo.
3. En la carpeta Datos de muestra, haga doble clic en Meet Minitab. Puede cambiar la carpeta predeterminada
para abrir y guardar archivos en Minitab al seleccionar Herramientas ➤ Opciones ➤ General.
4. Elija DATOSENVÍO.MTW y, a continuación, haga clic en Abrir. Si aparece un cuadro con un mensaje, coloque
una marca en No volver a mostrar este mensaje y, a continuación, haga clic en Aceptar. Para restaurar este
mensaje para que aparezca cada vez que abre una hoja de trabajo, restablezca la configuración
predeterminada de Minitab. Consulte Restauración de la configuración predeterminada de Minitab en la
página 9-7.
EXAMINAR UNA HOJA DE TRABAJO

Los datos están ordenados en columnas, que también se denominan variables. El número y el nombre de las
columnas aparecen en la parte superior de cada columna. Cada fila de la hoja de trabajo representa un caso, que
es información acerca de un pedido de libros.
Minitab acepta tres tipos de datos: numéricos, de texto y de fecha/hora. Esta hoja de trabajo contiene cada
uno de estos
tipos.
DISEÑO
COMPLETAMENTE AL AZAR (DCA)

El diseño completamente al azar es el más simple de todos los diseños . Es un diseño en el cual los
tratamientos son asignados aleatoriamente a las unidades experimentales sin ningún tipo de restricción. Este
diseño es utilizado cuando las unidades experimentales son bastante homogéneas, es decir cuando la
variabilidad entre ellas es pequeña y no existe ningún criterio de bloqueo que permita disminuirla. Dado que los
tratamientos constituyen el único criterio de clasificación para las unidades experimentales, a este diseño se le
conoce también como diseño de clasificación de una vía.
1. Modelo aditivo lineal:
Yij = m + t i + eij i = 1, 2,3..........t j = 1, 2,.......ri
Donde:
Yij = =Valor observado en la j-ésima repetición para el i-ésimo tratamiento.
Es la ganancia de peso obtenida en el j-ésima cuy alimentado para el i-ésimo mezcla alimenticia (trat)
m= Efecto de la media general (Efecto de la media general de la ganancia de peso).
ti = Efecto del i-esimo tratamiento (mezcla alimenticia, ejemplo)
eij = Efecto aleatorio del error experimental con el j-esima repetición con el i-esimo tratamiento
t = Numero de tratamientos.
ri = Número de repeticiones del i-esimo tratamiento
El efecto del i-ésimo tratamiento esta dado por ti , siendo la expresión: t i = mi - m , donde µi es la
media del i-ésimo tratamiento y µ la media general.
ANALISIS DE VARIANZA SIMBOLICA DEL DCA
Fuentes de Grados Suma de cuadrados Cuadrados medios F F

variación de C .M . =
S .C . Calculado Tabla
libertad G.L 1% 5%
Tratamiento t-1
SCTrat =
�(Yi.) 2
- FC
S .C (trat ) FC =
CMTrat
CME
r G.L (trat )
Error t ( r - 1) SCtotal - SCtratamiento S .C ( Error )

G.L ( Error )
Total tr - 1 �(Yij ) 2
- FC
2. Supuesto del modelo estadístico
El modelo estadístico debe cumplir con los siguientes supuestos:
1. Aditividad: Los efectos del modelo son aditivos.

2. Linealidad: las relaciones entre los efectos del modelo son lineales.

3. Normalidad: Los errores del modelo deben tener una distribución normal con media cero y varianza
ϭ 2.
4. Independencia: Los resultados obtenidos en el experimento son independientes entre sí.
5. Homogeneidad de variancias: Las diferentes poblaciones generadas por la aplicación de los
diferentes tratamientos tienen variancias iguales (ϭ2).
I. Prueba de Anderson . Darling para la Normalidad

La Prueba de Anderson . Darling es igual que la prueba de chi cuadrado, es utilizada para probar si un
conjunto de datos muéstrales provienen de una población con una distribución de probabilidades específicas.
Se basa en la comparación de la distribución de probabilidades acumulada empírica (resultado de los datos)
con la distribución de probabilidades acumulada teórica (Definida por Ho).
En un diseño completamente al azar se debe evaluar si la variable respuesta (Y) sigue una distribución normal
con media u + ti y varianza (ϭ2). en cada uno de los tratamiento, o si los errores siguen una distribución
Normal con media 0 y varianza (ϭ2).
Hipótesis:
Ho: La variable sigue una distribución Normal (u, ϭ2)
H1: La variable NO sigue una distribución Normal (u, ϭ2)
PASOS:
1. Colocar los datos de los
tratamientos del problema
2. Estadifica / Estadística básica/
Prueba de normailidad/
Seleccionarla variable respuesta
(Rendimiento)
Otra manera
3. Ir a Grafica: Grafica de
probabilidades – Individual Aceptar
4. Variable de gráfica: Seleccionar la
variable respuesta en estudio
5. Distribución. Esta Normal y Aceptar
CONCLUSION:
El Valor P = 0.419 es mayor a 0.05%, por lo tanto se acepta Ho que la variable sigue una distribución
Normal (u, ϭ2)
II. Prueba de Barlett para la Homogeneidad de variancias
Esta prueba se utiliza para evaluar si existe homogeneidad de variancias entre k ( 2 o más muestras)
poblacionales ( en el caso de un diseño experimental, las poblaciones corresponderán a los
tratamientos), Los supuestos para la aplicación de esta prueba son que las poblaciones tienen
distribución normales e independientes, y que las muestras son tomadas al azar.
Hipótesis:
Ho: ϭ21= ϭ22 =…. = ϭ2k = ϭ2
H1: Al menos un ϭ2i es diferente
PASOS:
1. Colocar los datos de los tratamientos del
problema
2. Estadifica / ANOVA/ Prueba de variancias iguales
Seleccionar la variable respuesta y luego factor
(tratamiento) y Aceptar
Prueba de Bartlett (distribución normal)

Estadística de prueba = 4.55, valor p = 0.336
Prueba de Levene (cualquier distribución continua)

Estadística de prueba = 0.93, valor p = 0.471

CONCLUSION:
El Valor P = 0.471 es mayor a 0.05%, por lo tanto se acepta Ho que existe Ho: ϭ21= ϭ22 =…. = ϭ2k = ϭ2
DISEÑO COMPLETAMENTE AL AZAR CON IGUAL NÚMERO DE UNIDADES POR TRATAMIENTO
Ejemplo 1: En un ensayo con macetas se aplicaron cinco tratamientos de abonos a clones de pasto
estrella. Se tomaron cuatro macetas por tratamiento. Los rendimientos se presentan en la tabla 1.
Se determinaran las siguientes hipótesis:

Ho: Los cinco tratamientos de abonos tienen el mismo efecto en su rendimiento promedio del pasto estrella.
o Ho: µ1= µ2 = µ3 = µ4 = µ5
Ha: Al menos uno de los tratamientos tiene un efecto diferente en su rendimiento promedio del pasto estrella.
o Ha: Al menos un µi es diferente a los demás i=1,2, 3, 4 y 5
Tabla 1.
Rendimiento del Ensayo con Macetas
Tratamiento
Maceta 1 2 3 4 5
1 101 51 83 67 29
2 93 61 68 40 45
3 93 59 72 46 51
4 96 58 75 52 42
TOTAL 383 229 298 205 167 1282
Media 95.75 57.25 74.50 51.21 41.75
1. PASOS EN EL MINITAB
 Ir a Estadística
 Anova
 Un solo factor
Respuesta → Poner: Rendimiento
(Variable dependiente o variable respuesta)
Factor → Poner tratamiento
Poner el cuadro de Aceptar
Tabla 2.
Análisis de varianza de los tratamientos para el rendimiento del pasto estrella.
Fuente GL SC CM F P
Tratamientos 4 7285.8 1821.5 30.98 0.000

Error 15 882.0 58.8
Total 19 8167.8
Nota: S = 7.668 R-cuad. = 89.20% R-cuad.(ajustado) = 86.32%
ICs de 95% individuales para la media

basados en Desv.Est. agrupada
Nivel N Media Desv.Est. ---+---------+---------+---------+------
1 4 95.75 3.77 (---*---)
2 4 57.25 4.35 (---*---)
3 4 74.50 6.35 (---*---)
4 4 51.25 11.59 (---*---)
5 4 41.75 9.29 (---*---)
---+---------+---------+---------+------
40 60 80 1
INTERPRETACIÓN

 Si el P value tiene un valor menor a 0,05 se rechaza la hipótesis planteada, eso quiere decir que hay
diferencia significativa entre tratamientos (P valor salió = 0,000000……) hay diferencia entre tratamientos.
 Si el Pvalue fuese mayor que 0,05 se acepta la hipótesis planteada, No hay diferencia entre tratamientos.
CONCLUSIÓN ESTADÍSTICA
Hay evidencia estadística a un α de 0.05 de rechazar la Hp y aceptar la Ha. E xiste suficiente evidencia
estadística de que al menos un tratamiento produce un efecto diferente en rendimiento promedio en el pasto
estrella.
ó Existe suficiente evidencia estadística para aceptar que al menos uno de los tratamientos produce un
efecto diferente en rendimiento promedio en el pasto estrella.
SI HAY DIFERENCIA ESTADISTICA SE REALIZA LAS PRUEBAS DE COMPARACIONES

MULTIPLES: COMO LA PRUEBA DE COMPARACIONES MEDIAS DE TUCKEY
 ANOVA
 Un solo factor
Respuesta → Poner: Rendimiento (Variable dependiente o variable respuesta)
Comparaciones
Poner ( X) De Tuckey
Poner Aceptar
Tabla 3.
Comparación de medias de Tuckey de los tratamientos en el el rendimiento del pasto
estrella.
Tratamientos N Media Agrupación

1 4 95.750 A
2 4 74.500 B
3 4 57.250 C
4 4 51.250 C
5 4 41.750 C
Nota: Las medias que no comparten una letra son significativamente diferentes
Intervalos de confianza individuales de Fisher del 95%
Intervalos de confianza simultáneos de Tukey del 95%

Todas las comparaciones de dos a dos entre los niveles de Tratamientos
Nivel de confianza individual = 99.25%
Tratamientos = 1 restado de:
Tratamientos Inferior Centro Superior

2 -50.057 -38.500 -26.943
3 -32.807 -21.250 -9.693
4 -56.057 -44.500 -32.943
5 -65.557 -54.000 -42.443
Tratamientos --+---------+---------+---------+-------
2 (---*---)
3 (---*---)
4 (---*---)
5 (---*---)
--+---------+---------+---------+-------
-60 -30 0 30

3 5.693 17.250 28.807
4 -17.557 -6.000 5.557
5 -27.057 -15.500 -3.943
Tratamientos --+---------+---------+---------+-------
3 (---*---)
4 (---*---)
5 (---*---)
--+---------+---------+---------+-------
-60 -30 0 30

4 -34.807 -23.250 -11.693
5 -44.307 -32.750 -21.193
Tratamientos --+---------+---------+---------+-------
4 (---*---)
5 (---*---)
--+---------+---------+---------+-------
-60 -30 0 30

5 -21.057 -9.500 2.057
Tratamientos --+---------+---------+---------+-------
5 (---*---)
--+---------+---------+---------+-------
-60 -30 0 30
INTERPRETACIÓN
T2- T1: es -55,25 -21.47 es la comparación entre T2-T1
Si el Intervalo Confidencial CONTIENE AL CERO LAS MEDIAS SON IGUALES Y SI NO INCLUYE AL CERO
SON DIFERENTES, en este ejemplo no incluye entonces T2-T1 es diferente
CONCLUSION
El tratamiento 1 (X) tiene un mayor valor de rendimiento promedio y es 95.750; son diferentes significativamente
con los tratamientos 3, 2, 4 y 5.
El tratamiento 3 tiene un valor de rendimiento promedio de 74.5 y es diferente significativamente en cuanto al
valor rendimiento promedio de los tratamientos 2, 4 y 5.
En los tratamientos 2, 4 y 5 no hay diferencia significativa en cuanto al valor del rendimiento promedio.
GRAFICOS EN EL MINITAB
 Anova
 Un solo factor
Respuesta → Poner: Rendimiento (Variable dependiente o variable respuesta)
Graficas→ Se selecciona y se selecciona en diagrama de caja de datos
Poner el cuadro de Aceptar Gráfica de caja de Rendimiento
110
100
90
80
iento
70
Rendim
60
50
40
30
20
1 2 3 4 5
Tratamientos

Ejemplo 2: Se desea investigar si 5 clases de alimentos balanceados producen efectos en la ganancia de peso
de los cuyes (en gramos) el investigador se provee de unidades de la misma edad, peso y tamaño, por
experiencia se sabe que teniendo 6 individuos por cada alimento son suficientes para tomar decisiones.
Al finalizar el experimento los resultados observados y ordenados se dan en el siguiente cuadro ¿Qué
conclusiones se puede extraer con  = 0.05 y 
=0.01?
Incremento de peso (gr x 10) en carne de cuy entre 5 tipos de alimentos.
Solución: Hp: ti = 0 i=1,2,3,4,5
Ha: ti ≠ 0para al menos algún i
En términos de las medias de los tratamientos

Hp: µi = µ i=1,2,3,4,5
Hp: µi ≠ µ para al menos algún i o Literalmente:
Hp: Los cinco alimentos balanceados tienen el mismo efecto en la ganancia de peso promedio en los cuyes
Ha: Al menos uno de los alimentos balanceados tienen una ganancia de peso promedio diferente en los cuyes.
Tabla 4.
Ganancia de peso de los cuyes de 5 alimentos balanceados
5 Tipos de Alimento Dosis de alimentos
(n) observaciones A1 A2 A3 A4 A5
1 1.3 0.9 2.1 2.3 2.6
2 1.8 1.1 2.5 2.8 2.3
3 1.6 0.8 2.9 2.0 2.5
4 1.5 1.0 2.5 2.6 2.1
5 1.5 0.9 2.8 2.7 2.5
6 1.4 1.3 2.9 2.1 2.7
TOTALES
NRO REPET
PROMEDIO
DISEÑO DE BLOQUES COMPLETAMENTE AL AZAR (DBCA)

El diseño bloques completos al azar es uno de los diseños más utilizados en investigación agrícola. Tiene amplia
aplicación cuando el material experimental ya sea campo agrícola, invernadero, camas de almacigo, etc.,
presenta una fuente de variabilidad conocida, factible de evaluar y de deducir de la variabilidad total. Con ello se
logra disminuir el error experimental e incrementar la presión en las comparaciones entre tratamientos.
El nombre de bloques se debe a que el área experimental se divide en partes iguales llamados estratos o
bloques, de modo que exista uniformidad dentro del bloque y heterogeneidad entre los bloques. Los bloques son
completos porque todos los tratamientos están presentes en cada uno de los bloques, y son al azar porque los
tratamientos son distribuidos al azar y en forma independiente en cada uno de los bloques.
Debe prevenirse la perdida de unidades experimental. Si pese a todas las precauciones se pierden una o dos
unidades experimentales el proceso de análisis estadístico sufre algunas modificaciones afectando los resultados.
Una alternativa es estimar el valor de la unidad experimental perdida y luego realizar el análisis estadístico. El
número máximo de tratamientos que pueda tener un bloque depende de la homogeneidad. En la práctica el
numero recomendable de tratamientos varía entre 5 y 8.
MODELO ADITIVO LINEAL

Yij = m + t i + b j + eij i = 1, 2, 3,……, t y j = 1, 2, 3,…., b
t = Numero de tratamientos
b = Numero de Bloques o de días
Donde:
Yij = Valor observado de la unidad experimental sujeto al i-ésimo tratamiento en el j-ésimo bloque.
µ : es la media general, estimada por la media del experimento : ..
: mide el efecto del tratamiento i, estimado por: - ..
: mide el efecto del bloque j : estimado por : - ..

: mide la variabilidad de la unidad experimental ij, estimado por : - - +
Cuando los tratamientos y los bloques son escogidos al azar se tiene el modelo al azar y cuando son
seleccionados por el investigador se tiene el modelo fijo. En la práctica el modelo más utilizado es el modelo
mixto donde los tratamientos son escogidos por el investigador pero os bloques son seleccionados al azar.
Tabla 5
Análisis de varianza simbólica del DBCA (ANVA) (ANOVA)

variación de libertad S .C . Calculado Tabla
C.M . =
G.L 1% 5%
Tratamiento t-1
SCTrat =
�(Yi.) 2
- FC
S .C (trat )
FC =
CMTrat
b G.L (trat ) CMError
Bloques b-1
SCTbloque =
�(Y . j ) 2
- FC
S .C (bloques)
t G.L(bloques)
Error (t-1)(b-1) SCerror S .C ( Error )
G.L ( Error )
Total Tb-1 t b
Y..2
��Yij2 -
i =1 j =1 tb
EJEMPLO 1: Tres diferentes soluciones están siendo estudiadas para evaluar su efectividad en el retardo del
crecimiento de bacterias en contenedores de leche de 5 galones. Los análisis son hechos en un laboratorio y solo
tres ensayos pueden efectuarse en un día dado. Debido a que los días pueden ser una fuente de variabilidad, el
investigador decide utilizar un diseño de bloques completos al azar. Las observaciones fueron tomadas en cuatro
días y datos (en UFC) se muestran en la siguiente tabla:
Ho: Las tres soluciones son igualmente efectivas en el retardo de crecimiento de bacterias promedio en
contenedores de la leche. Ho = u1=u2=u3
Ha: Al menos una de las soluciones tiene una efectividad diferente en el retardo del crecimiento de bacterias
promedio en contenedores de la leche.
Tabla 6.
Efectividad en el retardo del crecimiento de bacterias en contenedores de leche
Solución
Días 1 2 3
1 13 16 5
2 22 24 4
3 18 17 1
4 39 44 22
TOTAL 92 101 32
REPETICIONES 4 4 4
PROMEDIO 23 25.25 8
Tabla 7.
Análisis de varianza de las soluciones en la efectividad en el retardo del crecimiento de bacterias en
contenedores de leche
variación de libertad S .C. Calculado Tabla
C .M . =
G. L 1% 5%
Tratamiento 2 703.5 351.75 40.72 10.92 5.14
Bloques 3 1106.92 368.97 42.71 9.78 4.76

Error 6 51.83 8.638
Total 11 1862.25
 ANOVA
 Modelo lineal general
 Respuesta → Crecimiento (Variable respuesta)
Modelo: Tratamiento Días
Tabla 8.
Análisis de varianza de los efectividad en el retardo del crecimiento de bacterias en contenedores de
leche
Fuente GL SC Sec. SC Ajust. CM Ajust. F P
Tratamientos 2 703.50 703.50 351.75 40.72 0.000
Dias 3 1106.92 1106.92 368.97 42.71 0.000
Error 6 51.83 51.83 8.64
Total 11 1862.25
CONCLUSION:
estadística para aceptar que las tres soluciones producen un efecto diferente en el retardo del
crecimiento de bacterias en contenedores de la leche.
GRAFICA DE INTERACCIONES
 ANOVA
 Grafica de interacciones
Aceptar
Gráfica de interacción para Crecimiento
Medias de datos
50 Tratamientos
1
2
40 3
30
Me dia
20
10
0
1 2 3 4
Dias

MULTIPLES: COMO LA PRUEBA DE COMPARACIONES MEDIAS DE TUCKEY

 ANOVA
 Respuesta → Crecimiento (Variable
respuesta)
Modelo: Tratamiento Días
Comparaciones en pareja:
Check en comparaciones en pareja
Terminos: Tratamiento
Seleccionar tuckey
Poner Aceptar
Tabla 9.
Comparación de medias de TUKEY de las soluciones en la efectividad en el retardo del crecimiento de
bacterias en contenedores de leche.
Soluciones N Media Agrupación

2 4 25.3 A
1 4 23.0 A
3 4 8.0 B
Nota: Las medias que no comparten una letra son significativamente diferentes.
Método de Tukey y una confianza de 95.0%
CONCLUSION
El tratamiento (solución) 2 y 1 tienen un valor de efectividad promedio en el retardo del crecimiento de bacterias
en contenedores de leche de 25.3 y 23.0. Los dos tratamientos (soluciones) no presentan diferencia significativa
en cuanto a su efectividad en el retardo del crecimiento de bacterias.
El tratamiento 3 tiene un valor de efectividad promedio en el retardo del crecimiento de bacterias en
contenedores de leche de 8.0 y presenta una diferencia significativa con los tratamientos 2 y 1.
Ejemplo 2:
Se presenta los resultados de seis variedades de Frijol (Rendimiento expresado en g/ parcela) en el que se
usaron cuatro repeticiones por tratamiento. Se quiere probar la siguiente hipótesis:
Ho: No existe diferencia entre tratamientos

Ha: Existen diferencia entre tratamientos, mas allá de lo que puede atribuirse al azar.
Tabla 10.
Rendimiento de seis variedades de frijol
Variedades TOTAL
Repeticiones Bayo Gastelum Mantequilla Testigo Cuyo Zirate
1 42 32 25 18 35 36
2 46 38 32 20 42 25
3 38 31 28 26 46 22
4 41 30 26 24 40 26
TOTAL 167 131 111 88 163 109
REPETICIONES 4 4 4 4 4 4
PROMEDIO 41.75 32.75 27.75 22 40.75 27.25
EXPERIMENTOS FACTORIALES

Un experimento factorial es aquel en el que se estudian simultáneamente varios factores, de modo
que los tratamientos se forman por todas las posibles combinaciones de los niveles de los
factores. Un experimento factorial no constituye un nuevo diseño experimental, sino un diseño
para la formación de los tratamientos. Los experimentos factoriales pueden ser conducidos bajo
los lineamientos de cualquier diseño experimental como el DCA, DBCA o DCL.
Estos experimentos son útiles también en campos de estudio más complejos en los que se sabe que
un factor no actúa independientemente sino en estrecha relación con otros factores. En este
capítulo se trataran los experimentos factoriales con dos factores conducidos bajo los lineamientos de
un DCA y DBCA.
EL MODELO ADITIVO LINEAL PARA UN FACTORIAL PXQ EN DCA SERÁ:

i= 1,……,p j=1,…..,q k=1,..,
Yijk = m +  i + b j + (b )ij + e ijk
Donde:
Yijk = Es el valor o rendimiento observado con el i-esimo nivel del factor A, j-esimo nivel del factor B, k-esima
repetición
m = Es el efecto de la media general.
 i = Es el efecto del i- esimo nivel del factor A.
b j = Es el efecto del j- esimo nivel del factor B
(b ) ij = Es el efecto de la interacción en el i-esimo nivel del factor A, j-esimo nivel del factor B.
e ijk = Es el efecto del error experimental en el i- esimo nivel del factor A, j- esimo nivel del factor B, k-esima
repetición
p = Es el numero de niveles del factor A.
q = Es el numero de niveles del factor B.
rij = Es el número de repeticiones en el i- esimo nivel del factor A, j- esimo nivel del factor B,
EN EL CASO DE UN EXPERIMENTO FACTORIAL EN DBCA, EL MODELO ADITIVO LINEAL ES:
Yijk = m +  i + b j + (b )ij + g k + e ijk i= 1,…,p j=1,..,q k=1,..., b
g k = Es el efecto del k-esimo bloque.

b = Es el numero de boques
Ejemplo 1: Experimento Factorial en DCA:

En un experimento se estudiaron tres tipos de Alimentos concentrados (A) en dos razas de ovinos (B) en una
determinada localidad. Se emplearon 4 animales por cada combinación y se tuvieron los siguientes resultados
correspondientes a los aumentos de ganancia de peso (en Kg)
Para un modelo efectos fijos las hipótesis serán:

Para el efecto principal A (Alimentos concentrados): Ho :  i = 0....i = 1, 2,3
Ha :  i �0.... para..al..menos.a lg un..i
Para el efecto principal B (Raza de ovinos): Ho : b j = 0.... j = 1, 2
Ha : b j �0.... para..al..menos.a lg un.. j

Para el efecto de la interacción AB : Ho : (b )ij = 0....i = 1, 2,3... j = 1, 2
(Alimento x Raza de ovinos) Ha : (b )ij �0.... para..al..menos.a lg un..i, j
Tabla 11.
Resultado correspondientes a los aumentos de ganancia de peso (en Kg)
A1 A2 A3
B1 B2 B1 B2 B1 B2
A1B1=T1 A1B2=T2 A2B1=T3 A2B2=T4 A3B1=T5 A3B2=T6
1 5 3 3 3 2 2
2 6 3 2 2 4 6
3 6 4 4 8 2 10
4 7 4 3 5 2 6
TOTAL 24 14 12 18 10 24
PROMEDIO 6 3.5 3 4.5 2.5 6
A1 A2 A3 TOTAL
B1 24 12 10 46
B2 14 18 24 56
TOTAL 38 30 34 102
Tabla 12.
ANVA de un arreglo factorial de 3x2 con un diseño completamente al azar (DCA)
F.V. G.L. SC CM FC Ftabla (0.05)

Alimento 2 4 2 0.59016393 3.55
Ovinos (Raza) 1 4.167 4.167 1.22960656 4.41
Alimento*Ovinos 2 37.33 18.665 5.50770492 3.55*
Error 18 61 3.38888889
Total 23 106.5
 Estadística
 ANOVA
Respuesta → Peso (Variable dependiente, variable respuesta)
Modelo → Poner: Factor A factor B Factor A*Factor B
Ejemplo: Alimento raza (selecciona nuevamente Alimento*raza)
Aceptar
Tabla 13.

Análisis de varianza (ANVA) del aumento de ganancia de peso (en Kg)

Alimento 2 4.000 4.000 2.000 0.59 0.565
Raza 1 4.167 4.167 4.167 1.23 0.282
Alimento*Raza 2 37.333 37.333 18.667 5.51 0.014
Error 18 61.000 61.000 3.389
Total 23 106.500
CONCLUSION:
Hay evidencia estadística a un α de 0.05 de ACEPTAR la Hp y rechazar la Ha. E xiste suficiente evidencia
estadística para aceptar que los tres tipos de alimentos concentrado producen el mismo efecto en el
aumento de la ganancia de peso de los ovinos.
Hay evidencia estadística a un α de 0.05 de ACEPTAR la Hp y rechazar la Ha. E xiste suficiente evidencia
estadística para aceptar que en las dos razas de ovinos producen el mismo efecto en el aumento de la
ganancia de peso.
Para la Interacción:
Hay evidencia estadística a un α de 0.05 de rechazar la Hp y aceptar la Ha. Existe suficiente evidencia
estadística para aceptar la interacción entre los tipos de alimentos concentrado y la raza de ovino; por
lo tanto, será necesario analizar los efectos simples de los factores en vez de sus efectos principales.

MULTIPLES: COMO LA PRUEBA DE COMPARACIONES MEDIAS
Para el efecto de Alimento concentrado y ganancia de peso

 Estadística
 ANOVA
Seleccionar el cuadro de Comparación
X en comparaciones
Términos: Factor A (Alimentos)
 Aceptar
Tabla 14.
Comparación de medias de TUKEY para los tres tipos de alimentos concentrados y la ganancia de peso

1 8 4.7 A
3 8 4.3 A
2 8 3.8 A
Para el efecto de raza ovino y ganancia de peso

 Estadística
 ANOVA
X en comparaciones
Términos: Factor B. Ejemplo (raza)
 Aceptar
Tabla 15.

Comparación de medias de TUKEY para las dos razas de ovino y la ganancia de peso

2 12 4.7 A
1 12 3.8 A
Para el efecto Alimento*Raza ovino y ganancia de peso

Estadística
 ANOVA
X en comparaciones
Términos: Factor A* Factor B. Ejemplo (Alimentos*raza)
 Aceptar
Tabla 16.
Comparación de medias de TUKEY para los Alimento*Raza ovino y la ganancia de peso
Alimento Raza N Media Agrupación

3 2 4 6.0 A
1 1 4 6.0 A
2 2 4 4.5 A
1 2 4 3.5 A
2 1 4 3.0 A
3 1 4 2.5 A
Método de Tukey y una confianza de
95.0%
GRAFICA DE FACTORES
 Estadística
 ANOVA
 Modelo lineal general, ya esta todos los
datos
 Entrar al cuadro de Grafica de Factores
 Ingresar factores: Alimento y luego
Ingresar Factores: Peso
 O También
 Ingresar factores: Ovino y luego Ingresar
Factores: Peso Efecto de la ganacia de peso
 O También 5
 Ingresar factores: Tratamiento y luego 4
Ingresar Factores: Peso 3
 Aceptar
Media
Efecto de la ganacia de peso

2
5
GRAFICA DE INTERACCION PARA PESO 4
 Estadística 0
3
1 2 3
Alimento
 ANOVA
Media
Curso: Tesis Catedrática:

1 Msc. Shalin Carhuallanqui Avila
0
1 2
Raza
 GRAFICA de Interacciones
Respuestas: peso
Factores Alimento raza
Aceptar
 Aceptar
PARA SACAR MEDIAS

 Estadística
 ANOVA
 Modelo lineal general, ya esta todos los datos
 Entrar al cuadro de Resultados
Seleccionar x Mostrar cuadro de medias
Poner → Factor A*Factor B
o solo Factor A
o solo Factor B
Medias de cuadrado mínimo para Peso
Error
estándar
de la
Alimento*Raza Media media
1 1 6.000 0.9204
1 2 3.500 0.9204
2 1 3.000 0.9204
2 2 4.500 0.9204
3 1 2.500 0.9204
3 2 6.000 0.9204
EJEMPLO 2 (EXPERIMENTO FACTORIAL EN DBCA):

Se realizó un experimento con un arreglo factorial 2Ax3B en DBCA en 4 campos de cultivo, para evaluar el efecto
en el rendimiento de maíz obtenido con dos tipos de abono (al y a2 ) y tres dosis (b1=20, b2=30 y b3=40 kg/ha).
Los resultados obtenidos (en TM/ha) se presentan a continuación:
Tabla 17.
Rendimiento de maíz obtenido con dos tipos de abono a tres dosis
A1 A2
Campos B1 B2 B3 B1 B2 B3
1 1.9 1.8 2.7 1.8 2.9 3.0
2 2.3 2.1 2.4 2.2 2.7 3.2
3 2.0 2.4 2.9 2.0 3.2 2.9
4 2.1 2.9 2.8 2.4 3.5 3.4
Total 8.3 9.2 10.8 8.4 12.3 12.5
ANVA: DE UN ARREGLO FACTORIAL DE 2X3 CON UN DISEÑO EN BLOQUES COMPLETAMENTE AL

AZAR (DBCA)
F.V. G.L. SC CM FC Ftabla
(0.05)
Bloques 3 0.8046 0,2682 3.29
A 1 1.0004 1.0004 18.81 4.54
B 2 2.9100 1.4550 27.35 3.29
A*B 2 0.5633 0.2817 5.30 3.68*
Error 15 0.7979 0.0532

Total 23 6.0763

 Estadística
 ANOVA
Respuesta → Rendimiento (Variable dependiente, variable respuesta)
Modelo → Poner: Bloque
Factor A
Factor B
Factor AxFactor B
Aceptar
ARREGLO FACTORIAL CON DBCA

Factor A Factor B Bloques Rendimiento
A1 B1 1 1.9
A1 B1 2 2.3
A1 B1 3 2.0
A1 B1 4
A1 B2 1
A1 B2 2
A1 B2 3
A1 B2 4
A1 B3
A1 B3
A1 B3
Tabla 18.
Análisis de varianza (ANVA) del rendimiento de maíz obtenido con dos tipos de abono a tres dosis

Factor A 2 1.00042 1.00042 1.00042 18.81 0.001
Factor B 1 2.91000 2.91000 1.45500 27.35 0.000
Factor A*Factor B 2 0.56333 0.56333 0.28167 5.30 0.018
Bloques 3 0.80458 0.80458 0.26819 5.04 0.013
Error 15 0.79792 0.79792 0.05319
Total 23 6.07625
CONCLUSION:
estadística para aceptar que los dos tipos de abono producen un efecto diferente en el rendimiento de
maíz.
estadística para aceptar que los tres dosis de abono producen un efecto diferente en el rendimiento de
maíz.
Para la Interacción:
estadística para aceptar la interacción entre los tipos de abono y las dosis de abono; por lo tanto, será
necesario analizar los efectos simples de los factores en vez de sus efectos principales.
estadística para aceptar que los bloques producen un efecto diferente en el rendimiento de maíz.

MULTIPLES: COMO LA PRUEBA DE COMPARACIONES MEDIAS

 Estadística
 ANOVA
X en comparaciones
Términos: Factor A
 Aceptar
Tabla 19.
Comparación de medias de TUKEY para los dos tipos de abono
Factor A N Media Agrupación

2 12 2.8 A
1 12 2.4 B
 Estadística
 ANOVA
X en comparaciones
Términos: Factor B
 Aceptar
Tabla 20.
Comparación de medias de TUKEY para las tres dosis de abono
Factor B N Media Agrupación

3 8 2.9 A
2 8 2.7 A
1 8 2.1 B
 Estadística
 ANOVA
X en comparaciones
Términos: Factor A* Factor B. Ejemplo (Abono*Dosis)
 Aceptar
Tabla 21.
Comparación de medias de TUKEY para los dos tipos de abono * las tres dosis
Factor A Factor B N Media Agrupación
2 3 4 3.1 A
2 2 4 3.1 A
1 3 4 2.7 A B
1 2 4 2.3 B C
2 1 4 2.1 C
1 1 4 2.1 C

Clase 1 Diseño Estadistico Curso Actualizacion 2014-Tesis

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Clase 1 Diseño Estadistico Curso Actualizacion 2014-Tesis

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL DEL CENTRO

MSc. SHALIN CARHUALLANQUI

2.1 EXPERIMENTO PRELIMINAR

2.2 EXPERIMENTO CRITICO

2.3 EXPERIMENTO DEMOSTRATIVO

3. UNIDAD EXPERIMENTAL Y TRATAMIENTO

CONTROL DEL ERROR

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

El uso de observaciones concomitantes

Tamaño y forma de las unidades experimentales

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

una ventana Datos actual distinta.

1. Elija Archivo ➤ Abrir hoja de trabajo.

EXAMINAR UNA HOJA DE TRABAJO

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

1. Modelo aditivo lineal:

Yij = m + t i + eij i = 1, 2,3..........t j = 1, 2,.......ri

ti = Efecto del i-esimo tratamiento (mezcla alimenticia, ejemplo)

ANALISIS DE VARIANZA SIMBOLICA DEL DCA

Fuentes de Grados Suma de cuadrados Cuadrados medios F F

Error t ( r - 1) SCtotal - SCtratamiento S .C ( Error )

2. Supuesto del modelo estadístico

El modelo estadístico debe cumplir con los siguientes supuestos:

1. Aditividad: Los efectos del modelo son aditivos.

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

I. Prueba de Anderson . Darling para la Normalidad

II. Prueba de Barlett para la Homogeneidad de variancias

Prueba de Bartlett (distribución normal)

Prueba de Levene (cualquier distribución continua)

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

DISEÑO COMPLETAMENTE AL AZAR CON IGUAL NÚMERO DE UNIDADES POR TRATAMIENTO

Se determinaran las siguientes hipótesis:

Tratamientos 4 7285.8 1821.5 30.98 0.000

ICs de 95% individuales para la media

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

SI HAY DIFERENCIA ESTADISTICA SE REALIZA LAS PRUEBAS DE COMPARACIONES

Tratamientos N Media Agrupación

Intervalos de confianza simultáneos de Tukey del 95%

Nivel de confianza individual = 99.25%

Tratamientos = 1 restado de:

Tratamientos Inferior Centro Superior

Tratamientos Inferior Centro Superior

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

Tratamientos = 3 restado de:

Tratamientos Inferior Centro Superior

Tratamientos = 4 restado de:

Tratamientos Inferior Centro Superior

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

En términos de las medias de los tratamientos

DISEÑO DE BLOQUES COMPLETAMENTE AL AZAR (DBCA)

MODELO ADITIVO LINEAL

: mide el efecto del tratamiento i, estimado por: - ..

: mide el efecto del bloque j : estimado por : - ..

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

Fuentes de Grados Suma de cuadrados Cuadrados medios F F

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

Nota: S = 2.93920 R-cuad. = 97.22% R-cuad.(ajustado) = 94.90%

SI HAY DIFERENCIA ESTADISTICA SE REALIZA LAS PRUEBAS DE COMPARACIONES

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

Soluciones N Media Agrupación

Ho: No existe diferencia entre tratamientos

Curso: Tesis Catedrática: Msc. Shalin Carhuallanqui Avila

EL MODELO ADITIVO LINEAL PARA UN FACTORIAL PXQ EN DCA SERÁ:

Yijk = m +  i + b j + (b )ij + e ijk